了解反洗钱 (AML) 数据模型和要求

反洗钱 AI 的核心是详细而最新地了解银行的相关方及其活动，尤其是涵盖以下数据：

• 事务性 activity
• 账号持仓
• 派系特征
• 风险调查数据

本页介绍了如何创建和管理 AML AI 所用的数据，包括 AML 的数据模型、数据架构和数据要求的详细信息。架构本身（包括各个字段的详细信息）会显示在 AML 输入数据模型（CSV 文件）中。您还可以通过快速入门获取合成示例数据集。

本页未介绍以下前提条件：

• 设置以便将 AML AI 与 AML 数据集搭配使用（请参阅设置项目和权限）
• 安全和合规性功能（请参阅安全和合规性功能下的页面）

数据要求概览

反洗钱数据模型接受零售或商业实体及其账号和交易的信息，以及与这些实体相关的风险案例的详细信息。本部分介绍了数据模型中适用于不同实体的各个重要方面。

反洗钱数据模型架构分为三个区域：核心银行数据、风险调查数据和补充数据。

核心银行数据

• 表：Party、AccountPartyLink、Transaction
• 用途：作为客户及其银行活动的结构化数据集，用于检测风险。应包含要监控的所有相关方、账号和交易。在 AML AI 数据集中提供零售或商业数据

风险调查数据

• 表：RiskCaseEvent
• 用途：
  • 作为有关风险调查流程和之前被认定为存在风险的相关方的结构化数据集
  • 协助为反洗钱风险模型创建训练标签

补充数据

• 表：PartySupplementaryData
• 用途：可选表，可包含与识别洗钱风险相关的其他信息，而其他架构中未涵盖这些信息。您无需提供任何补充数据，即可开始使用 AML AI。

表关系

下图介绍了表关系、主键和外键。

注意： 由于 AML AI 会使用一段时间内的数据，因此主键可能包含 validity_start_time，以便准确表示一段时间内的数据。例如，AML AI 可以捕获客户何时被添加或移除到联名账户。如需了解详情，请参阅了解数据随时间的变化情况。

错误

创建数据集时，AML AI 会自动执行数据验证检查。如需了解这些检查、错误消息以及如何解决这些错误，请参阅数据验证错误。

如需详细了解技术架构，请参阅 AML 输入数据模型（CSV 文件）。 如需了解数据时长要求和范围，请参阅了解数据范围和时长。在 BigQuery 中准备好表后，您可以使用 AML AI 创建和管理数据集。

注意： 大多数模型治理政策都规定，必须跟踪从引擎配置、训练和评估到所有机器学习操作中使用的所有数据谱系。为确保数据保持不变，我们建议您为 BigQuery 表创建快照。如果您未对数据进行快照，AML AI 操作每次使用数据集时都会读取 BigQuery 表，因此对数据集所做的更改可能会影响调优、训练、回测和预测。